"Tech Sister" Wu Chao said: It is too early to talk about a bubble in tech stocks; the space for the artificial intelligence industry is no less than that of the internet

中信建投證券研究所所長、TMT 行業首席分析師武超則，是市場內影響力最大的的 TMT 行業分析師之一。

她對泛科技、對 TMT、對 AI 人工智能的預測和表述，受到了市場和機構的高度關注。日前，她在一場活動上。

她暢談了對 AI 產業鏈的各個環節談到了自己對於近期科技股的市場表現的看法，以及目前是否有泡沫，站在 2025 年、甚至更長週期上看好的方向。

核心觀點：

1、 DeepSeek 的基礎模型在成本非常低的同時，和全球頂尖的大模型在能力上還能對等，這對中國科技板塊的投資信心有很大的提升或恢復。

2、 但也要看到我們人工智能產業的落地不會一蹴而就。從資本開支到對應基礎設施供應鏈再到公司業績有反映是需要時間的，所以短期內有調整也是非常正常的。

3、 對基礎模型的投入並沒有降低，大模型的競爭會變得更加激烈，迭代的速度會更快。

4、人工智能產業的競爭比 10 年前移動互聯網時代還要集中。當年全球除了中美之外，日本、韓國、歐洲的手機遊戲行業還是非常發達的，現在後者幾乎沒有機會。

5、站在 2025 年的投資框架下來看，算力本身的確定性還是最高的。越往算力和模型層，越集中，可以容納的公司越少。

6、 最終的應用場景從 C 端變化到更多的賦能生產的 B 端，包括汽車產業鏈、高端製造。如果 B 端能有大應用湧現，AI 對 GDP 的拉動，產業的拉動，會遠超過移動互聯網時代的 ToC 的體量。

7、 一季報對業績的體現還不會特別明顯，中報，尤其是二季度效果會更好一些。因為不管是算力到投資的映射，到訂單的交付，都至少需要半年的週期。大家關注的一些方向，比如説上游的存儲、PCB 等方向，映射可能會更早一些。

採用第一人稱，部分內容有刪節。

短期調整很正常

因為 DeepSeek 的出現，春節之後大家對人工智能，乃至整個 TMT 板塊給予了非常大的關注。不管是港股恒生科技從年初到現在的表現，還是 A 股整個 TMT 科技板塊的表現，整體大幅跑贏市場。

DeepSeek 這樣的大模型出現，帶動了大家對整個科技板塊的投資熱情。當然，最近也存在一些波動。

我認為，還是要把股票投資和行業的基本面，分兩層來看。

首先，從整個產業的基本進展來講，DeepSeek 的基礎模型在成本非常低的同時，和全球頂尖的大模型，比如 OpenAI 的 o1、o3 模型，在能力上還能對等。確實對整體（市場），尤其是中國科技板塊的，投資信心有很大的提升或恢復。

但是我們也要看到人工智能產業的落地不是一蹴而就的。儘管我們看到阿里、騰訊等大廠直接帶動未來一段時間資本開支的增加。

比如阿里指引了未來三年的資本開支超過了過去 10 年的總和，對應到每年大概 1000 多億的資本開支。但是從資本開支的指引，最終落地到對應的 GPU、服務器，乃至於數據中心的基礎設施的供應鏈，或者產業相關公司的業績上，是需要時間的。這些支出不可能明天就體現在這些公司的業績上，所以短期內有調整也是非常正常的。

第一波肯定是大家信心的恢復，以及在概念模型、包括整體產業的投資和基建投入的恢復上。首先大家會看到拔估值的動作。春節前，數據中心，包括對應的中國互聯網大廠阿里、騰訊等，他們的估值基本處在歷史的 50% 分位以下。

但是估值修復到一定程度之後，大家又會期待 EPS 或業績上會不會出現映射和持續的驗證。這又要回到馬上要到來的年報期，包括一季報相關的數據。

在這個階段，基本面需要又一個跟進的過程，在這樣一個真空期或者相對業績驗證的週期中，短期出現整個板塊的調整，是非常正常的。

説泡沫為時尚早

任何一種對泡沫的判斷，都要加上時間和空間的維度。我們到底是放在 3 個月的週期，還是 3 年的週期，甚至 10 年的週期中看泡沫？

我一直有一個觀點：如果我們對比上一輪移動互聯網的十年，準確來講是從 2010 年左右 3G 的商用到 2020 年這十年間，我覺得 2025 年非常像 2013 年。

首先，不管是整個宏觀經濟，包括資本市場和大盤的表現，和 2012、2013 年都非常像，整體還是結構的變化。

比如，移動互聯網第一個賺錢的應用手機遊戲是在 2013 年才剛開始出現，到今天為止，手機遊戲行業還是移動互聯網最賺錢的一個方向。

此外，硬件基礎設施方面，2013 年以前，移動互聯網還處在通信行業的基礎設施投資上。映射到三大運營商投在 3G 網絡建設上的資本開支在那幾年一直在一個增長週期中。與之相對應的，底層做通訊設備的相關設備商、終端硬件的廠商，業績都是不錯的。

但是 2013 年往後，就會看到通信基礎設施建得差不多了之後，移動互聯網的應用產業週期開始來臨，2013 年是遊戲，2014 年是互聯網的醫療、教育，2015 年之後各種各樣的 OTO，包括電商、短視頻都起來了。

在這個週期中，如果一定要講所謂泡沫化，實際上 2014-2016 年才迎來應用爆發的週期，也才有可些泡沫。而且，這背後是一個大的技術變革週期。

在 2014、2015 年最誇張的時候，整個 TMT 行業的 TTM 動態估值，4 個板塊涉及到的通信、電子、計算機、傳媒基本都在 100 多倍，計算機比較瘋狂，高點在 140 倍左右的估值。

所以，簡單的從今天回看，假設我們認為今天人工智能技術或產業變革的空間和量級與過去移動互聯網是等同的，我相信大家不會説，人工智能整個產業的趨勢是個泡沫。

我想，這輪變革至少和 2013 年移動互聯網變革，是相同量級的，甚至是更重要的，只不過是從通信的紅利，走到今天所謂的以計算為紅利。過去我們主要盯運營商的資本開支、基建，現在我們盯互聯網公司、CSP 雲廠商的資本開支。

今年中國 CSP 廠商，像阿里、騰訊、字節，加起來的資本開支可能在 3000-4000 億人民幣，和運營商投資的體量是相當的。但如果看美國的 CSP 廠商 M7，今年的資本開支估計在 3000-4000 億美金。

所以，在這點基礎上覆盤，如果產業的革命和創新的量級是相似的，現在比較像 2013 年。如果真的要講泡沫，和傳媒行業或計算機板塊，100 多倍的動態估值，還遠遠比不上。

現在去跟蹤產業，我想應用是遲早的。大家每天打開和 AI 有關的應用，關注時長和活躍度，就像當時看遊戲或電商 C 端應用的流量變化，也能夠跟蹤住應用的落地節奏。只要應用能夠一步一步，比如每三個月都有爆款的東西出來，應用板塊的估值就能維持住。

現在擁擠度確實高，但這不是一個穩態，整個行業還處在變革非常快的週期裏。所以如果和 2013 年那一波對比，我覺得現在還很難稱之為泡沫。

大模型是引擎

確實，短期對 DeepSeek 討論非常多，有各種各樣的文章解讀，但站在行研的角度，我覺得還是要客觀看待這件事情。

首先綜合來看，人工智能產業（主導權）是在中美之間。這比 10 年前移動互聯網時代（還要集中）。當年全球除了中美之外，日本、韓國、歐洲的手機遊戲行業還是非常發達的。當時 iPad 上最有名的植物大戰殭屍、憤怒的小鳥等等，都是歐洲遊戲公司開發的。

DeepSeek 做的大模型本身，又是創新中的核心。如果我們把大模型想象成一個引擎，或是核心的生產工具，其實它是這一波智能化創新中，最主要的工具。

我認為 DeepSeek 這次最主要的貢獻，或者對恢復中國科技信心的貢獻，有兩個方面。

一方面，模型的能力上，DeepSeek 和全球頂尖的模型，比如 OpenAI 的 o1 模型，Llama3 等模型，有了能力上的對齊。這非常重要。

其實大模型從 2022 年底出現，過去兩年裏，中國的模型整體落後了大概 6-12 個月。DeepSeek 的出現，至少把這個時間週期縮短到了半年以內，整體跟進的速度不會落得太遠，不會像當年別人已經 3G 了，我們還 2G。

基礎工具的能力沒有對齊，我們去討論所謂移動互聯網，其實空中樓閣。

第二，模型的應用性或者成本也非常重要。DeepSeek 不僅在頂尖的模型能力上有所對齊，更重要的是降本。一是模型訓練本身的成本，另一個是問答時，獲得每一個 token 回覆的成本，都有比較大的下降。

當然下降是建立在工程的創新上的。工程上的創新也是創新。同樣的東西或者説同樣的能力，能夠把它復現出來也很重要。

在現在所謂的推理模型上，我們底層的算力受到了限制，但是我們用相對有限的資源（硬件的算力卡），用比較低的成本實現了復現。這是另一個比較重要的貢獻。

春節前大模型還處在研發階段，聽説得多用得少，那麼春節後，這種貢獻直接引發大模型走入生產階段。

能力的對齊和成本的下降，是 DeepSeek 非常重要的貢獻。

離終局還很遠

我覺得現在離格局清晰的終局還很遠。

如果和最近的新能源車類比，四五年過去了，還是很難判斷整車廠裏誰會勝出。遠一點看手機，從一開始幾十家做手機的，到後面中國剩下 “中華酷聯”，再到後面的 HOV，其實經歷了一個漫長 10 年的週期，最後才留下了這三家。

我想大模型也是一樣的，很難説現在的情況就是終局。短期一兩個月內，很多模型都和 DeepSeek 的能力進行了對齊和吸收，因為它是個開源模型。

當然，我們看到了美國另外的做法，他們對基礎模型的投入並沒有降低，不會因為 DeepSeek 的出現，就減少基礎的預訓練的投入。

模型越大，效果越好的規則還是存在的，不管是美國的大廠還是中國的大廠，其實都在增加資本開支。大模型的競爭會變得更加激烈，迭代的速度會更快。這是一方面的影響。

另一方面，對於中小開發者，比如做應用或者做垂類的模型，確實可以更快地應用落地，在產業上開始降本增效，有真實財務上的回報，帶來整個產業的良性競爭。

總結一下，從此刻來講，因為 DeepSeek 出現就判斷 “東昇西降”，肯定為時過早。但是，站在整個產業的角度，它縮小了我們和美國短期的差距。遠期看，競爭依然非常激烈，還要取決於應用上模型本身能力迭代的速度上，以及底層的算力上。

當然我們也有長板，比如説數據，我們的人口基數、加上工業垂類的數字化場景足夠多，數據質量比較高是我們的優勢。如何把我們的短板、優勢，和整個產業結合起來也是一個問題。

我覺得 DeepSeek 最重要的貢獻，用一句話來講，就是激活了整個 AI 產業的投資熱情。根源上，底層資本的湧入也非常重要。整個模塊中，不管是造卡還是造大模型，都非常燒錢。如果底層都不願意投資這個板塊，不管是做一級市場還是二級市場，都是最大的壓力。但 DeepSeek 激活了這件事情，對產業本身來講就是非常重要的。

算力的確定性最高

一般投資 AI 的框架就是三大塊：上游的算法塊，中游的模型、數據模塊，還有應用的模塊。對於普通投資者，分這麼三塊是比較簡單易懂的。整體來講，在 2025 年的框架下來看，算力本身的確定性還是最高的。

儘管 DeepSeek 出現後，各種討論會説 DeepSeek 最後訓練的成本只有 600 萬美金左右，是不是算力成本就下降了，可能不會再去卷 “大力出奇跡” 的邏輯？是不是對底層的英偉達等企業，投資壓力就會比較大？

我們對算力的需求分兩大塊，一大塊是模型的訓練，另一塊就是應用，開始往比如 AI 醫療、AI 金融、教育等方向上走。

春節之後，全球的演繹一方面對基礎的訓練模型的需求還是迅猛增加。如果我們把 DeepSeek 的創新理解為工程上的創新，它在推理模型上有了比較好的表現，但是基座模型仍然是推理模型能力來源的基礎。

DeepSeek 的 R1 模型也是在之前的 R1-zero 和 V3 模型的基礎上，強化學習得到的。

所以，如果此刻不是終局，我們要繼續引領大模型，整個產業的核心，不論是開源還是閉源，原有基礎的基座模型，或者説預訓練的板塊，還是引領全球創新的一個根源。

當然，這之中存在邊際效應變差的問題。比如 gpt3 是千億數據集的規模，gpt4 的數據集規模變成 1.7-1.8 萬億，最新可能已經到了 10 萬億的級別，甚至未來往百萬億上走。模型的規模增加一個量級，模型能力可能只增加 10% 或 20% 左右。但對大廠而言，即使性價比比較低，它們還是會繼續做這件事情，這是我們的一個基本判斷。

像馬斯克推的 grok3 模型出來後，也有討論説卡增加了一倍，但聰明程度只提升了 10-20%。大廠還是會繼續做，這決定了用於模型訓練的基礎的卡，不管是單卡還是集羣的需求，都是不會下降的。

第二，對推理的需求肯定會大幅增加，這個判斷也是沒錯的。相比於過去這兩年中，大家主要在卷基礎的大模型，主要是訓練的卡，供給主要是英偉達。英偉達的生態，包括 NVlink，決定了它在訓練上是最好用的。但往後看，推理的需求肯定會大幅上升。

一方面是，推理模型的技術路線，像 o1、DeepSeek 的技術路線，效果更好，更受大家歡迎，會增加推理卡的需求。

另一方面，應用的興起也一定會繼續增加推理的需求。各種應用的場景越來越多，這部分增量的需求不是問題，但我們可能要判斷供給會不會有變化。

以前只能使用英偉達的卡，接下來國產，包括海外大廠的定製芯片可能也能投入使用。類似的事情，在 CPU 時代已經發生過，到最後，供給一定會變得更加豐富。這是我認為，英偉達等企業短期內會有壓力的原因。

整體而言，不管是用於訓練的需求還是推理的需求，短期內因為技術的爆發，應用開始興起，其實確定性最高的還是算力本身。

再回到投資算力上，我們日常理解的算力就是 GPU，最核心的 AI 芯片。但是今年阿里、海外大廠 M7 的資本開支，三四千億人民幣或者三四千億美金中差不多隻有一半用於買 GPU，剩下一半用來將 GPU 做成服務器。這裏面就需要有存儲、連接，光電轉換過程中需要有光模塊，甚至高速傳輸對底層 PCB，覆銅板的要求也會變高。過去機房，我們叫做 IDC，I 是 internet，需要有空調、製冷、液冷等配套。

所以，我認為算力本身是一個很大的板塊，不是説只能買最貴的（GPU），這是投資比較集中的位置。如果認為購買這部分的壓力比較大，其實整個算力板塊中至少有幾百家公司，這個過程中有很多好的投資機會。

國產的算力，也是我們今年比較看好的一個方向。如果我們往國產的上游看，對應到先進製程的代工廠，再往上游的半導體設備和材料，它們的確定性也是非常高的。算力上，越往上游越集中，但相對在選公司、選標的時，也比較好選。

總結一下，阿爾法，或者短期內不一定會有阿爾法，但是確定性最高的還是會在算力板塊。因為它會真實地有業績，能看到資本開支的增加，最後落地到訂單和基本面上，只是一個時間問題。

“阿爾法” 在國產算力

國產的算力是今年整個全球算力板塊的阿爾法。

一個原因是中國的大廠今年才開始真正意義上有資本開支的起面説到的三四千億人民幣，再看阿里、字節、騰訊都佔了多少。

今年還會有個非常有意思的事情：今年的中國互聯網公司的開支和運營商的資本開支會第一次相當，這在歷史上其實是很難想象的。

過去都是以三大運營商的資本開支為主導，在上一輪雲計算，哪怕是 2015、2016 年最高峰的時候，運營商的資本開支至少也和互聯網相比是 4:1 的概念，如果運營商 4,000 億，互聯網就是 1000 億。而現在，兩邊都是三四千億的水平。我認為中國現在的體量和兩年前的美國很像，所以本身有一個時延。當然，我們要再去研究中國的互聯網大廠供應鏈裏面，主要都有哪些公司。

再展開一點，前兩年大家對國產算力的擔憂很多，比如美國的制裁到底到什麼程度，是徹底全部制裁，還是説制裁某些階段。這之中的某些部分會決定中國的整個生態，比如互聯網大廠是不是願意下單買國產算力，這之中需要大量的適配，和整個生態的銜接。

此刻來看，這種不確定性也會變得更加清晰。

最重要的，大家也關心國產的產能。如果國產沒有辦法大規模交付卡，那也是空中樓閣，我們不可能全部靠其他方式來去實現。整體看，經過過去幾年的努力，國產的先進製程，相關的產能，從 25 年、26 年往後，逐步會有比較好的釋放。這也會真正意義上，從 “從 0 到 1” 開始走向 “從 1 到 n”。真正能夠釋放出產能，也是非常重要的，

結合這三方面的原因，今年國產整體會更好一些。但是在國產的產業鏈中，又要分 GPU、CPU、服務器，網絡設備、光通信，IDC 數據中心，甚至是 PCB、存儲等方面，是一個很大的模塊。在這之中，有很多可以挖掘的方向。而且整個板塊現在處在波動非常大的時候，只要能看清楚產業趨勢，貴不是問題，它也會變得便宜。因為某些事件的影響，包括財報真空期的影響，有些標的波動很大。在這個過程中，關鍵還是怎麼能把握住產業的底層趨勢，並且找到好的交易機會。

應用空間主要關注兩方面

算力之外的大板塊，肯定還是應用。

移動互聯網時代，我們有一個 1:7 的法則：底層每有 1 塊錢的資本開支，在應用上至少有 7 塊錢回報，GDP 的帶動。我們把當年三大運營商的資本開支計算總和，再對應到廣義的互聯網產值，可以得到這樣的法則。產業最後能稱之為一個產業，肯定是要閉環的。

去年，也有人做類似的測算，每投入 1 塊錢基礎的算力，產出可能只 0.7 元，這肯定沒辦法穩態的循環。

我相信，越往後，整個應用，廣義的人工智能應用的大範疇上，肯定會是個金字塔結構。越往算力和模型層，越集中，可以容納的公司越少；但是越往應用，容納的公司會越多，場景也越多，產業也越大。這是一個基本邏輯。

但是站在投資角度，應用現在最難的是，很難判斷終局。比如站在 2013 年，很多遊戲公司一年漲了 10 倍，但從 2015 年回看，90% 的公司是不成功的，最後只有 10% 的公司走了出來。站在 2013 年，你是沒法判斷誰能最後走出來的。在這個週期中，指數或者板塊的投資是一個相對更優解，當然也有一些個股階段性跑贏。在 2015 年以後，發現遊戲板塊最成功的是騰訊和網易，再去買港股，這也是一種策略。

所以，現在做應用最大的困難，就是沒辦法判斷終局。比如最近比較火的，未來醫療，或者機器人、無人駕駛，我們都很難想清楚，誰在這個領域能夠跑出來。這是投資上的一個難點。

但如果一定硬要做判讀，我們團隊比較看好幾個應用方向。

第一，Agent 智能體。大家在思考到底是 AI 廣告，還是像美股一樣，SaaS 這些做 ToB 軟件的公司，也有可能是擁有數據的公司，可能是方向。但是我覺得整體來看，這一波變化中，智能化的能力，本身就是一種應用。

比如，最近其實最高頻打開的還是豆包，或者騰訊元寶，這些能力還是需要一個載體，這個載體不一定是全新的 APP，可能還是原先的東西，知識在上面附着了智能化的能力，開始讓使用者更高效地處理這些數據等等。

所以，在應用上，智能體是今年一個很重要的方向。現在看下來，硬件公司做智能體是很有希望的，比如蘋果、小米，比如很多手機公司等等，手機天然就有數據的入口，可以天然地在裏面整合各種 APP。包括 PC 電腦也是一樣。也就是説，硬件可能是很難繞開的板塊，硬件公司裏會有人做智能體做得不錯。那麼，退而求其次，不一定能買蘋果，但是可以買蘋果的產業鏈，至少可以帶動整個產業的創新週期。從智能體方向延伸，AI 終端裏面的手機、PC，包括有人做眼鏡，肯定是個方向。

當然，有一些大模型公司，因為資本開支，對卡的極高要求，在基礎模型方面卷不下去了，他們也會轉向智能體的開發。最近，一些做大模型還不錯的創業公司，也開始轉向服務企業去搭建智能體，或者做第三方的智能體了，這也是一個趨勢。還有一些 A 股軟件公司，在某一個垂類數據上有優勢，比如金融、教育、醫療等場景的數據上有優勢。智能體搭建好，再加上私域數據，也是有機會的。

第二，從遠期看，無人駕駛肯定是一個很重要的應用場景，把它看作 AI 的應用場景，或是汽車的延伸都可以。種種跡象來看，大模型自身能力的提升，尤其是推理模型出現後，應用在自動駕駛、道路這種嚴肅場景上，可用性大幅提升。這樣，自動駕駛不是概率論，而是邏輯很清晰的推理。今年比亞迪等公司也推了智駕。

無人駕駛的好處在於，雖然現在沒那麼成熟，但是它的市場足夠大。對鉅額的投資，要麼落地要快，要麼長期空間要大。在研究科技股時，最重要的就是需要看到很大的遠期空間。一個市場原來 100 億，現在變成 120 億，市場的預期差很快就會拉平。但是如果本來的空間是 200 億，將來能做成 2000 億，就有人願意去等待，風險偏好就會提升。

再延伸一下，最近很熱的機器人也是一個道理。汽車本來就是個機器人，這其實是一個框架。在應用上，我主要看好的就是，軟的智能體，硬的無人駕駛，包括具身智能的機器人。

風險提示及免責條款

市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用户特殊的投資目標、財務狀況或需要。用户應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。